Bối cảnh và vấn đề nghiên cứu

Lúa gạo là nguồn lương thực thiết yếu trong đời sống hàng ngày và là mặt hàng nông sản xuất khẩu chủ lực, đóng góp tỷ trọng lớn vào kim ngạch ngoại thương của Việt Nam. Mặc dù Việt Nam nằm trong nhóm các quốc gia xuất khẩu gạo hàng đầu thế giới, giá trị thương phẩm của gạo Việt Nam trên thị trường quốc tế vẫn ở mức thấp do chủ yếu xuất khẩu dưới dạng gạo thô, độ đồng đều và chất lượng chưa cao so với các quốc gia xuất khẩu lớn trong khu vực như Thái Lan, Ấn Độ, Trung Quốc. Một trong những nguyên nhân kỹ thuật dẫn đến thực trạng này là hệ thống phân loại, sàng lọc sau thu hoạch tại các cơ sở chế biến trong nước còn lạc hậu, phân tán. Trong khi đó, các dây chuyền máy phân loại gạo quang học nhập khẩu từ nước ngoài có giá thành rất cao, gây khó khăn cho việc đầu tư đại trà.

Xuất phát từ thực tiễn trên, đề tài "Nghiên cứu mô hình hệ thống nhận dạng hạt gạo cho máy phân loại chất lượng gạo dùng kỹ thuật xử lý ảnh" được thực hiện nhằm giải quyết bài toán phát hiện và định vị các hạt gạo không đạt tiêu chuẩn chất lượng dựa trên thị giác máy tính và trí tuệ nhân tạo, hướng đến mục tiêu nội địa hóa công nghệ và giảm giá thành máy phân loại nông sản.

Mục tiêu và nhiệm vụ nghiên cứu của đề tài bao gồm:

  1. Nghiên cứu thuật toán xử lý ảnh số và mạng nơ-ron nhân tạo để tự động phát hiện, đánh dấu và theo dõi các hạt gạo không đạt yêu cầu tiêu chuẩn về kích thước (hạt gãy, vỡ, hạt quá ngắn) và màu sắc (hạt đen, mốc, ố vàng, lẫn tạp chất) trên luồng video thời gian thực.
  2. Xây dựng giải thuật phân loại kết hợp giữa trích xuất đặc trưng hình học bằng mạng Perceptron và phân tích không gian màu YCbCr.
  3. Nghiên cứu và thiết lập mô hình thử nghiệm phần mềm trên nền tảng MATLAB với dữ liệu thực nghiệm thu nhận từ camera gắn trên khay/máng dẫn hạt gạo.
  4. Đề xuất nguyên lý tích hợp hệ thống cơ khí chấp hành (súng hơi khí nén) để tách hạt gạo lỗi ra khỏi luồng hạt đạt chuẩn.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Hình ảnh và luồng video các hạt gạo chuyển động trên máng trượt; các đặc trưng hình thái (kích thước, diện tích, tỷ lệ biên dạng) và đặc trưng màu sắc của hạt gạo.
  • Phạm vi không gian: Nghiên cứu thực nghiệm tại phòng thí nghiệm Bộ môn Điều khiển Tự động, Khoa Đào tạo Chất lượng cao, Trường Đại học Sư phạm Kỹ thuật TP.HCM; thử nghiệm trên mô hình khay trượt dẫn gạo với các phông nền màu sắc khác nhau (trắng, vàng, đỏ, đen) và các điều kiện chiếu sáng thay đổi.
  • Phạm vi thời gian: Đồ án được thực hiện và hoàn thành vào tháng 07 năm 2016.
  • Giới hạn kỹ thuật: Đề tài tập trung vào việc mô phỏng giải thuật nhận dạng, đánh dấu bounding box và theo dõi tọa độ các hạt không đạt chuẩn trên dữ liệu video thực nghiệm qua phần mềm MATLAB; chưa triển khai tích hợp trực tiếp cơ cấu cơ khí súng hơi phân loại vật lý ở tốc độ công nghiệp.

Cơ sở lý thuyết và phương pháp

Khung lý thuyết và mô hình tính toán

Nghiên cứu được xây dựng trên nền tảng lý thuyết thị giác máy tính (Computer Vision), xử lý ảnh số (Digital Image Processing) và mạng nơ-ron nhân tạo (Artificial Neural Network - ANN):

  • Mô hình không gian màu và biến đổi ảnh:

    • Khảo sát các không gian màu cơ bản: RGB (hệ màu cộng CIE-RGB), CMYK (hệ màu trừ trong in ấn), HSI (Hue - Saturation - Intensity), CIE-$L^*a^b^$ và YCbCr.
    • Chuẩn hóa chuyển đổi ảnh màu RGB 24-bit sang ảnh mức xám (Grayscale) 8-bit theo tiêu chuẩn NTSC nhằm giảm khối lượng tính toán: $$Y = 0.299R + 0.587G + 0.114B$$
    • Phân tách không gian màu YCbCr chuẩn video số thành 3 thành phần độc lập: Kênh $Y$ (độ chói - Luminance), kênh $Cb$ (hiệu sắc xanh lam - Chrominance blue) và kênh $Cr$ (hiệu sắc đỏ - Chrominance red) để xử lý phân loại hạt gạo biến màu.

  • Các phương pháp lọc nhiễu và làm trơn ảnh:

    • Lọc trung bình (Mean Filter) với ma trận nhân chập $H$, lọc trung vị (Median Filter) phi tuyến $v(m,n) = \text{Trungvi}(y(m-k, n-l))$, lọc giả trung vị, lọc đồng hình (Homomorphic Filter) khử nhiễu nhân, lọc ngoại lai (Outlier Filter), lọc thông thấp và lọc Gaussian. Trong đó, lọc trung vị được lựa chọn để triệt tiêu nhiễu muối tiêu trên ảnh hạt gạo mà vẫn bảo toàn biên dạng.

  • Toán tử phát hiện biên và biến đổi hình thái (Morphology):

    • Kỹ thuật dò biên đạo hàm bậc nhất Gradient thông qua các toán tử Robert, Sobel, Prewitt và đạo hàm bậc hai Laplace.
    • Kỹ thuật biến đổi khoảng cách (Distance Transformation) và thuật toán trích xuất khung xương (Skeleton) để tìm đường bao và trục đối xứng của hạt gạo.
    • Các phép toán hình thái học nhị phân: Phép co (Erosion $A \ominus B$), phép dãn (Dilation $A \oplus B$), phép mở (Opening) và phép đóng (Closing) dùng để làm liền mạch biên, lấp lỗ trống và loại bỏ các thành phần rác.

  • Mạng nơ-ron nhân tạo (ANN):

    • Cấu trúc mạng Perceptron truyền thẳng (Feedforward Perceptron) kết hợp hàm tác động phi tuyến bán tuyến tính/Sigmoid.
    • Thuật toán huấn luyện có giám sát (Supervised Learning) với tập mẫu đặc trưng kích thước và tỷ lệ hạt gạo để nơ-ron tự điều chỉnh trọng số liên kết.

Phương pháp nghiên cứu thực tế

  • Phương pháp thực nghiệm mô hình: Thiết kế giá đỡ, máng trượt (khay) dẫn gạo và bố trí camera thu nhận luồng hình ảnh chuyển động trong thời gian thực.
  • Phương pháp phân tích - tổng hợp thuật toán: Xây dựng quy trình xử lý tuần tự gồm: trích xuất frame $\rightarrow$ tiền xử lý mức xám $\rightarrow$ lọc trung vị $\rightarrow$ tách biên $\rightarrow$ xử lý hình thái lấp đầy $\rightarrow$ trích chọn vector đặc trưng $\rightarrow$ đưa vào mạng Perceptron phân loại kích thước, song song với việc chuyển đổi YCbCr để phân loại màu sắc.
  • Nguồn dữ liệu: Các mẫu hạt gạo thực tế (gồm hạt đạt chuẩn, hạt vỡ/gãy, hạt biến màu, hạt cỏ tạp) được thả trôi qua máng dẫn dưới ống kính camera ghi hình tại phòng thực nghiệm.

Thiết kế và triển khai hệ thống

Hệ thống nhận dạng và phân loại hạt gạo được thiết kế theo cấu trúc module gồm 3 phân hệ chính: Khối thu nhận hình ảnh, Khối xử lý trung tâm (Phần mềm MATLAB) và Khối cơ cấu chấp hành định hướng.

Phân hệ / Khối chức năng Phần cứng / Công nghệ sử dụng Chức năng kỹ thuật chi tiết
Khối thu nhận hình ảnh Khay trượt (máng nghiêng), Camera thu hình số, Nguồn sáng nhân tạo Tạo luồng chuyển động của hạt gạo trôi tự do; quay và truyền luồng video thời gian thực về máy tính tính toán.
Khối tiền xử lý ảnh MATLAB Image Processing Toolbox Trích xuất các khung ảnh (Frames) từ video; chuyển đổi RGB sang Grayscale; áp dụng bộ lọc trung vị khử nhiễu muối tiêu.
Khối phân loại kích thước Xử lý hình thái Morphology & Mạng nơ-ron Perceptron Tách biên đối tượng; khử vùng pixel $< 4$; lấp kín lỗ trống 2 lần; làm dày/làm mảnh biên; rút trích diện tích/tỷ lệ đưa vào mạng Perceptron để phân loại hạt gãy, vụn.
Khối phân loại màu sắc Phân tích không gian màu YCbCr Chuyển đổi khung hình sang YCbCr; trích xuất 3 kênh $Y, Cb, Cr$; phân ngưỡng kênh màu để phát hiện hạt ố vàng, đen, hạt mốc.
Khối chấp hành (Định hướng) Mạch vi điều khiển & Súng hơi khí nén (Pneumatic Ejector) Tiếp nhận tọa độ hạt gạo lỗi từ phần mềm xử lý ảnh; kích hoạt xung khí nén thổi hạt lỗi ra khỏi máng rơi. 
Quy trình xử lý ảnh chi tiết:
Video thời gian thực

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 giới thiệu tầm quan trọng của ngành sản xuất và xuất khẩu lúa gạo Việt Nam, chỉ ra hạn chế về chất lượng hạt gạo xuất khẩu do tỷ lệ hạt gãy và tạp chất còn cao. Tác giả phân tích lý do chọn đề tài, xác định mục tiêu xây dựng mô hình nhận dạng chất lượng hạt gạo dựa trên kỹ thuật xử lý ảnh số nhằm giảm giá thành thiết bị so với máy nhập khẩu. Chương này cũng nêu rõ các giới hạn nghiên cứu (tập trung mô phỏng đánh dấu hạt lỗi trên MATLAB, tốc độ tính toán còn hạn chế) và phác thảo cấu trúc 5 chương của đồ án tốt nghiệp.

Chương 2: Cơ sở lý thuyết

Chương 2 trình bày có hệ thống các kiến thức nền tảng về thị giác máy tính và mạng nơ-ron nhân tạo:

  • Trình bày định nghĩa điểm ảnh (pixel), độ phân giải, mức xám, quan hệ lân cận $N_4(p), N_8(p)$, khoảng cách Euclide và khoảng cách khối $D_4(p,q)$.
  • Phân tích chi tiết các không gian màu (RGB, CMYK, YCbCr, HSI, CIE-$L^*a^b^$) và cấu trúc định dạng tệp ảnh (Header, Data Compression, Palette Color).
  • Khảo sát các giải thuật lọc nhiễu không gian (Mean, Median, Gaussian, Laplace) và các toán tử dò biên kinh điển (Robert, Sobel, Prewitt).
  • Trình bày lý thuyết toán học về các phép toán hình thái nhị phân (Erosion, Dilation, Opening, Closing) và thuật toán biến đổi khoảng cách trích xuất khung xương.
  • Trình bày cấu trúc tế bào thần kinh sinh học, mô hình nơ-ron nhân tạo, các hàm kích hoạt (tuyến tính, bão hòa, Sigmoid) và phương pháp huấn luyện có giám sát. Giới thiệu tổng quan về phần mềm MATLAB và Image Processing Toolbox.

Chương 3: Giải thuật

Chương 3 trình bày giải pháp kỹ thuật cốt lõi do tác giả đề xuất để phân loại chất lượng gạo:

  • Cấu trúc mạng Perceptron: Thiết kế mạng nơ-ron với hàm tác động bán tuyến tính, xây dựng lưu đồ giải thuật huấn luyện mạng nơ-ron nhận dạng hình thái hạt gạo.
  • Quy trình phân loại kích thước hạt gạo:
    1. Chuyển đổi ảnh màu RGB sang ảnh mức xám 8-bit.
    2. Áp dụng bộ lọc trung vị loại bỏ nhiễu hạt.
    3. Thực hiện tách biên đối tượng.
    4. Loại bỏ hoàn toàn các cụm pixel nhiễu có kích thước nhỏ hơn 4 pixel ($Area < 4$).
    5. Áp dụng phép lấp đầy những vùng biên kín lần 1.
    6. Thực hiện làm dày biên đối tượng để kết nối các đoạn biên đứt quãng.
    7. Thực hiện lấp đầy những vùng biên kín lần 2 nhằm tạo khối đồng nhất cho từng hạt gạo.
    8. Làm mảnh biên đối tượng trở lại về kích thước thực.
    9. Lấy thông tin đặc trưng hình học đưa vào tập dữ liệu huấn luyện mạng nơ-ron.
    10. Mạng Perceptron tiến hành phân loại và vẽ khung nhận diện các hạt không đạt tiêu chuẩn kích thước/tỷ lệ.
  • Quy trình phân loại màu sắc: Chuyển đổi khung hình sang hệ màu YCbCr, phân tách thành 3 ảnh thành phần tương ứng với kênh $Y$, kênh $Cb$ và kênh $Cr$, sau đó quét ngưỡng pixel để định vị và đánh dấu các hạt gạo bị hư hỏng, ố vàng hoặc nhiễm tạp chất màu tối.

Chương 4: Kết quả

Chương 4 công bố các kết quả thực nghiệm và đánh giá hiệu năng giải thuật:

  • Khảo sát phần cứng và màu nền: Thử nghiệm chụp và tách biên hạt gạo trên 4 nền màu máng trượt khác nhau (Trắng, Vàng, Đỏ, Đen). Kết quả cho thấy phông nền tối (màu đen/đỏ) tạo độ tương phản biên vượt trội so với phông nền sáng (trắng/vàng).
  • Kết quả xử lý video thời gian thực: Hệ thống trích xuất thành công các khung ảnh liên tiếp từ video, thực thi thuật toán phân loại và hiển thị trực quan các bounding box bao quanh hạt gạo lỗi kích thước và màu sắc.
  • Đánh giá độ chính xác và tốc độ:
    • Qua 51 khung hình thực nghiệm, giải thuật đạt độ chính xác trung bình 95% trong việc phát hiện và đánh dấu các hạt gạo không đạt tiêu chuẩn.
    • Đánh giá thời gian tính toán thực nghiệm cho thấy thời gian xử lý của một khung hình phụ thuộc trực tiếp vào mật độ và số lượng đối tượng hạt gạo xuất hiện trong tầm quan sát của camera.

Chương 5: Kết luận và hướng phát triển

Chương 5 đúc kết các kết quả nghiên cứu đã đạt được của đề tài, khẳng định tính khả thi của giải thuật kết hợp mạng nơ-ron và không gian màu YCbCr trên MATLAB với độ chính xác 95%. Đồng thời, tác giả chỉ ra các hạn chế hiện tại và định hướng các nhiệm vụ cần thực hiện tiếp theo: nâng cao tốc độ tính toán của thuật toán, tối ưu hóa mã nguồn cho phần cứng nhúng thời gian thực và chế tạo hệ thống cơ cấu súng hơi cơ khí phân tách hạt gạo tự động.

Kết quả và đóng góp

Kết quả chính đạt được

  • Xây dựng thành công chuỗi thuật toán xử lý ảnh hình thái học nhiều tầng kết hợp phân tích ngưỡng màu YCbCr và mạng nơ-ron Perceptron để phân loại hạt gạo theo 2 tiêu chí độc lập: kích thước và màu sắc.
  • Kiểm chứng thực nghiệm giải thuật trên luồng video thời gian thực với 51 khung hình dưới các điều kiện ánh sáng và màu nền khác nhau, đạt độ chính xác phân loại 95%.
Chỉ số / Thông số thực nghiệm Giá trị ghi nhận trong đồ án Ghi chú kỹ thuật
Độ chính xác phát hiện hạt lỗi 95% Đánh giá tổng hợp qua 51 khung hình thực nghiệm
Ngưỡng lọc bỏ pixel nhỏ $< 4$ pixel Loại bỏ hoàn toàn các điểm nhiễu cô lập trước khi lấp biên
Số lần lấp đầy vùng biên kín 2 lần Lần 1 lấp biên thô; Lần 2 lấp sau khi làm dày biên
Không gian màu phân loại sắc độ YCbCr (Kênh $Y, Cb, Cr$) Tách biệt độ chói và hiệu sắc để nhận diện hạt ố vàng/đen
Mô hình học máy phân loại kích thước Mạng Perceptron nhân tạo Huấn luyện có giám sát với vector đặc trưng hình thái
Màu sắc nền thử nghiệm Trắng, Vàng, Đỏ, Đen Nền tương phản cao (đen/đỏ) cho kết quả tách biên tối ưu

Giải pháp và kiến nghị của tác giả

  • Tối ưu hóa phông nền quang học: Kiến nghị sử dụng máng trượt có màu nền tương phản mạnh với màu trắng của hạt gạo (như màu đen) để giảm độ phức tạp cho khâu phân đoạn và tách biên.
  • Quy trình xử lý hình thái khép kín: Đề xuất giải pháp liên hoàn gồm lọc bỏ pixel $<4 \rightarrow$ lấp kín lần $1 \rightarrow$ làm dày biên $\rightarrow$ lấp kín lần $2 \rightarrow$ làm mảnh để khắc phục triệt để hiện tượng biên hạt gạo bị đứt đoạn do phản xạ ánh sáng không đều.

Đóng góp của nghiên cứu

Tác giả đã tự thiết kế và thử nghiệm thành công một phương pháp phân loại nông sản kết hợp giữa xử lý ảnh hình thái học, phân tích kênh màu YCbCr và mạng nơ-ron Perceptron trực tiếp trên dữ liệu video thực tế. Đồ án tạo dựng cơ sở thuật toán và giải pháp tiền khả thi phục vụ mục tiêu nghiên cứu, chế tạo các dòng máy phân loại gạo nội địa giá thành thấp, giảm thiểu sự lệ thuộc vào các hệ thống máy quang học nhập khẩu.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của đề tài

  • Tốc độ xử lý của giải thuật trên môi trường mô phỏng phần mềm MATLAB còn chậm, chưa đạt tần số quét khung hình (FPS) cao để đáp ứng dây chuyền phân loại gạo công nghiệp công suất lớn.
  • Hệ thống mới dừng lại ở việc phát hiện, đánh dấu bounding box và theo dõi hạt gạo không đạt tiêu chuẩn trên khung hình mô phỏng; chưa tích hợp hoàn chỉnh hệ thống cơ khí chấp hành (súng hơi khí nén) để bắn tách hạt gạo vật lý trong thực tế.

Hướng nghiên cứu tiếp theo

  • Nghiên cứu tối ưu hóa giải thuật xử lý ảnh và cấu trúc mạng nơ-ron để tăng tốc độ tính toán, rút ngắn thời gian xử lý trên từng khung hình.
  • Chuyển giao và cài đặt giải thuật lên các nền tảng phần cứng nhúng xử lý tín hiệu số tốc độ cao (DSP, FPGA, ARM chuyên dụng).
  • Thiết kế, chế tạo hoàn thiện cơ cấu chấp hành súng hơi cơ khí kết hợp mạch điều khiển thời gian thực để phân tách tự động các hạt gạo lỗi ra khỏi máng rơi.

Giá trị tham khảo

Tài liệu đồ án mang lại giá trị tham khảo chuyên môn cho các đối tượng:

  • Sinh viên, học viên ngành Công nghệ Kỹ thuật Điều khiển - Tự động hóa, Cơ điện tử, Kỹ thuật Máy tính và Công nghệ Thông tin: Tham khảo phương pháp xây dựng hệ thống thị giác máy tính ứng dụng trong công nghiệp và nông nghiệp.
  • Kỹ sư và nhà nghiên cứu máy phân loại nông sản:
    • Tham khảo chi tiết Chương 3 về quy trình xử lý hình thái học nhiều bước (tách biên, khử nhiễu $< 4$ pixel, lấp đầy biên kín 2 giai đoạn, làm dày và làm mảnh biên) giúp xử lý triệt để bài toán nhận dạng các vật thể nhỏ chuyển động.
    • Tham khảo phương pháp kết hợp không gian màu YCbCr để phân ngưỡng màu sắc độc lập với độ sáng và kỹ thuật ứng dụng mạng Perceptron trong phân loại kích thước hạt.

Câu hỏi thường gặp

1. Đồ án sử dụng giải thuật nào để phân loại kích thước hạt gạo và quy trình xử lý gồm những bước nào?

Đồ án sử dụng mạng nơ-ron nhân tạo Perceptron kết hợp chuỗi xử lý hình thái học. Quy trình gồm 10 bước: (1) Chuyển ảnh RGB sang Grayscale 8-bit; (2) Lọc trung vị khử nhiễu muối tiêu; (3) Tách biên bằng toán tử vi phân; (4) Loại bỏ các vùng pixel nhỏ hơn 4; (5) Lấp đầy vùng biên kín lần 1; (6) Làm dày biên; (7) Lấp đầy vùng biên kín lần 2; (8) Làm mảnh đối tượng về kích thước chuẩn; (9) Trích xuất vector đặc trưng hình học đưa vào tập huấn luyện; (10) Mạng Perceptron phân loại và đánh dấu bounding box các hạt không đạt chuẩn kích thước/tỷ lệ.

2. Không gian màu YCbCr được ứng dụng như thế nào trong bài toán phân loại màu sắc hạt gạo?

Ảnh khung hình được chuyển đổi từ hệ màu cơ bản RGB sang không gian màu YCbCr chuẩn video số, sau đó tách thành 3 ảnh thành phần riêng biệt gồm kênh $Y$ (độ sáng), kênh $Cb$ (hiệu màu xanh lam) và kênh $Cr$ (hiệu màu đỏ). Dựa trên sự khác biệt giá trị sắc độ trên các kênh $Cb$ và $Cr$, thuật toán thiết lập ngưỡng lọc để phát hiện và đánh dấu chính xác các hạt gạo bị hư hỏng, ố vàng, đen hoặc lẫn tạp chất màu.

3. Độ chính xác phát hiện hạt gạo không đạt tiêu chuẩn của mô hình đạt bao nhiêu và được kiểm chứng ra sao?

Độ chính xác của giải thuật đạt 95%. Kết quả này được kiểm chứng thực nghiệm thông qua việc trích xuất và phân tích 51 khung hình liên tiếp từ luồng video thời gian thực ghi lại chuyển động của hạt gạo trên máng trượt dưới các điều kiện chiếu sáng và màu nền khác nhau.

4. Cơ cấu cơ khí nào được tác giả đề xuất để loại bỏ hạt gạo không đạt tiêu chuẩn sau khi nhận dạng?

Tác giả đề xuất sử dụng thiết bị cơ khí là súng hơi khí nén (pneumatic ejector). Khi phần mềm xử lý ảnh xác định được tọa độ của hạt gạo lỗi trong thời gian thực, tín hiệu điều khiển sẽ kích hoạt van súng hơi thổi luồng khí nén đẩy hạt không đạt chuẩn ra khỏi dòng chảy của các hạt gạo đạt chuẩn.

5. Vì sao tác giả cần thực hiện phép loại bỏ vùng pixel nhỏ hơn 4 và lấp đầy biên kín 2 lần?

Hạt gạo thu nhận qua camera có kích thước nhỏ và dễ xuất hiện nhiễu muối tiêu hoặc các đốm phản xạ quang học rời rạc. Việc loại bỏ các vùng có diện tích nhỏ hơn 4 pixel ($Area < 4$) giúp triệt tiêu nhiễu rác. Thao tác lấp đầy biên kín lần 1, sau đó làm dày biên để nối các nét đứt và tiếp tục lấp đầy lần 2 đảm bảo tạo ra vùng đối tượng hạt gạo hoàn toàn liên thông, khép kín trước khi làm mảnh và trích xuất đặc trưng hình học đưa vào mạng nơ-ron.

Kết luận

Đồ án tốt nghiệp của sinh viên Hoàng Đình Minh (Trường Đại học Sư phạm Kỹ thuật TP.HCM) đã nghiên cứu và xây dựng thành công mô hình nhận dạng chất lượng hạt gạo dựa trên kỹ thuật xử lý ảnh số và trí tuệ nhân tạo. Bằng việc kết hợp mạng nơ-ron Perceptron để phân loại kích thước và không gian màu YCbCr để phân loại màu sắc trên nền tảng MATLAB, hệ thống đạt độ chính xác phát hiện hạt gạo không đạt chuẩn lên tới 95% qua 51 khung hình thực nghiệm. Mặc dù còn hạn chế về tốc độ xử lý và chưa tích hợp cơ cấu súng hơi phân tách vật lý, công trình đã giải quyết hoàn chỉnh bài toán giải thuật thị giác máy tính, tạo cơ sở kỹ thuật thực tiễn cho việc phát triển các dòng máy phân loại nông sản tự động trong nước.